CN111507490B - 基于多源数据驱动的数控机床主轴预测性维护方法及*** - Google Patents
基于多源数据驱动的数控机床主轴预测性维护方法及*** Download PDFInfo
- Publication number
- CN111507490B CN111507490B CN202010387254.9A CN202010387254A CN111507490B CN 111507490 B CN111507490 B CN 111507490B CN 202010387254 A CN202010387254 A CN 202010387254A CN 111507490 B CN111507490 B CN 111507490B
- Authority
- CN
- China
- Prior art keywords
- spindle
- health
- main shaft
- source data
- machine tool
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 108
- 238000012423 maintenance Methods 0.000 claims abstract description 76
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 238000006731 degradation reaction Methods 0.000 claims abstract description 43
- 230000015556 catabolic process Effects 0.000 claims abstract description 42
- 230000012409 spindle disassembly Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 74
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 230000003862 health status Effects 0.000 claims description 15
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000002085 persistent effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000001953 sensory effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009429 distress Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008531 maintenance mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4061—Avoiding collision or forbidden zones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34294—Diagnostic, locate failures
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45136—Turning, lathe
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据驱动的数控机床主轴预测性维护方法及***,其中方法主要包括S1、采集数控机床主轴的多源数据;S2、对多源数据进行分析,计算综合评价值,并根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,亚健康的状态细分为不同的亚健康等级;S3、根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围;S4、根据预测结果制定主轴维护决策,安排维护计划。
Description
技术领域
本发明属于设备健康管理技术领域,更具体地,涉及一种基于多源数据驱动的数控机床主轴预测性维护方法及***。
背景技术
数控机床是一种高精度、高柔性、高效率的机械加工设备,近些年在工业领域内应用的普及度越来越高。在工业生产中,数控机床运行的可靠与否关乎车间生产效率和维护成本,进而影响到企业的经济效益,因此受到广泛的关注。而数控机床的主轴***由于长期处在高速旋转和负载状况下,容易发生各种异常与故障,因此受到重点关注。
随着物联网技术的发展,生产车间能够通过传感器、PLC等装置来进行组网,以采集获取设备运行中的多源信号,达成设备状态监测的目的。相应的,在状态监测的基础上,研究人员们利用信号处理和机器学习技术对监测信号进行数据分析,对设备当前状态进行故障诊断。然而,传统的状态监测与故障诊断技术仅仅针对已经发生的故障和异常,难以做到“防患于未然”。对于数控机床主轴这类关键部件,企业通常采用制定维护计划的方式进行例行保养,即“定期维护”。这虽然能在一定程度上降低主轴发生故障的概率,但实施方式欠缺灵活性,维护手段也缺乏针对性,因此实际效果欠佳。
预测性维护是一种全新的维护理念,它通过对历史和实时数据进行分析,大致估计设备失效的时间节点,从而实施正确的维护决策,保障生产和设备安全。通过预测性维护,可以避免机床意外停机、缩短计划停机时间、最大限度地延长设备的使用寿命。近年来,人工智能的蓬勃发展也推动了预测性维护技术走向大数据和智能化,但受限于现场条件和数据量不足的问题,多数工作仍然停留在学术研究的阶段,难以在实际企业车间内进行应用和推广。
发明内容
本发明针对生产现场机床主轴普遍存在的亚健康状态,基于多源数据驱动,提出了一种实用且有效的机床主轴预测性维护方法及***。
本发明基于多源数据驱动的数控机床主轴预测性维护方法,包含以下步骤:
S1、采集数控机床主轴的多源数据,所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码;
S2、通过主轴数控***内部的指令代码明确当前工况,并截取当前工况下的多源数据,根据截取的多源数据进行主轴异常分析,统计主轴异常值和主轴异常事件;将异常分析的结果分别对比相应的评价惩罚表,计算对应的惩罚值作为一项健康指标,将多个健康指标加权求和得到综合评价值;根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,亚健康的状态细分为不同的亚健康等级;
S3、根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围,所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长;
S4、根据预测结果制定主轴维护决策,安排维护计划。
接上述技术方案,步骤S2还包括步骤:
提取当前工况下的主轴实时传感数据的时域、频域、时频域维度上的特征,将提取的特征作为预先构建的对应工况的主轴智能检测神经网络模型的输入,通过逐层特征提取,在输出层得到代表主轴健康状态等级的类别标签。
接上述技术方案,所述异常事件分为持续性异常事件和突发性异常事件,其中持续性异常事件包括主轴重载、超速、主轴转速不稳,突发性异常事件包括主轴碰撞、闷车、异常噪声、主轴停转。
接上述技术方案,实时传感数据包括电流、电压、负载、转速、温度、能耗、振动加速度。
接上述技术方案,所述评价惩罚表包括异常值惩罚表和异常事件惩罚表,其中异常事件惩罚表又分为持续性异常事件惩罚表和突发性异常事件惩罚表两类,依据异常值出现的频次和超出正常值比重、持续性异常事件所占运行时长百分比、突发性异常事件的频次设置不同的惩罚值。
接上述技术方案,步骤S2中综合评价值的计算基于专家经验,将健康指标中越能反应主轴性能衰退的指标赋予高权重,反之赋予低权重,之后累加健康指标与对应权重的乘积,得到综合评价值。
接上述技术方案,构建主轴智能检测神经网络模型时,基于深度学习并针对不同型号主轴进行多工况训练,利用智能优化算法进行模型参数优化,利用迁移学习补充训练数据。
接上述技术方案,所述主轴性能退化模板根据不同主轴型号制作对应退化模板,包含主轴多个健康等级的持续时长,不包含亚健康之后的健康状态。
本发明还提供了一种基于多源数据驱动的数控机床主轴预测性维护***,包括:
多源数据采集模块,用于采集数控机床主轴的多源数据,所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码;
主轴健康评估模块,用于通过主轴数控***内部的指令代码明确当前工况,并截取当前工况下的多源数据,根据截取的多源数据进行主轴异常分析,统计主轴异常值和主轴异常事件;将异常分析的结果分别对比相应的评价惩罚表,计算对应的惩罚值作为一项健康指标,将多个健康指标加权求和得到综合评价值;根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,亚健康的状态细分为不同的亚健康等级;
主轴退化趋势预测模块,用于根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围,所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长;
维护决策制定模块,用于根据预测结果制定主轴维护决策,安排维护计划。
本发明还提供了一种计算机存储器,其内存储有可被处理器执行的计算机程序,该计算机程序执行上述基于多源数据驱动的数控机床主轴预测性维护方法。
实施本发明的有益效果:本发明基于生产现场多源数据驱动,对主轴健康状态,特别是亚健康状态的评估、预测、维护提出了行之有效的技术方案。本发明能在数控机床实际加工条件下,建立了一个长期有效的智能运维机制,实现数控机床主轴***的预测性维护,从而提高企业的生产效率和经济效益。
附图说明
图1是本发明提供的数控机床主轴预测性维护方法的总体流程图;
图2是本发明具体实施例中数控机床主轴健康状态划分示意图;
图3为本发明具体实施例中经数据采集得到的多源数据矩阵;
图4是本发明具体实施例中数控机床主轴异常值监测过程示意图;
图5为本发明具体实施例中深度置信网络结构示意图;
图6为本发明具体实施例中退化趋势预测过程示意图;
图7为本发明基于多源数据驱动的数控机床主轴预测性维护***结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
如图1所示,本发明实施例基于多源数据驱动的数控机床主轴预测性维护方法,主要包括以下步骤:
S1、采集数控机床主轴的多源数据,多源数据主要包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码;;
S2、通过主轴数控***内部的指令代码明确当前工况,并截取当前工况下的多源数据,根据截取的多源数据进行主轴异常分析,统计主轴异常值和主轴异常事件;将异常分析的多源结果分别对比相应的评价惩罚表,计算对应的惩罚值作为一项健康指标,将多源健康指标加权求和得到综合评价值;根据综合评价值以及预先划分的主轴健康状态等级,判断主轴的健康状态等级,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,其中亚健康的状态细分为不同的亚健康等级;
S3、根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围,所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长;
S4、根据预测结果制定主轴维护决策,安排维护计划。
步骤S1中,多源数据的采集是为了获得体现主轴全生命周期的多源数据,进行主轴状态监测,以及为后续步骤提供数据支持。
上述多源数据的来源有所不同,不同的机床主轴加工场景下难以保证拥有全部的数据来源。对此,本发明所提方法允许缺失部分数据来源,并基于能获取到的数据来源执行后续步骤。
具体地,步骤S2提到的预先划分的主轴健康状态等级区别于以往多数研究中将主轴状态分为正常/故障两种模式,本发明将主轴健康状态分为正常、亚健康、故障(可修复)、损坏(报废)四个阶段,并将重点关注的亚健康状态细分为不同的健康等级。
其中,正常状态即健康状态,无需进行维护操作;亚健康状态则代表主轴的性能退化趋势进入了加速阶段,此时需要通过维护手段来恢复主轴性能,发现的越早,维护的效果也越好;故障状态是指主轴经过亚健康状态后,已经出现了明显的故障,如轴承内外圈的断裂。此时常规的维护手段无法解决问题,需要进行针对性的维修操作;损坏状态即指主轴***由于长期的维护维修不力,最终导致主轴整体或零部件的报废。
进一步对步骤S2中的异常值监测和异常事件监测进行具体说明:
(1)异常值监测
异常值监测是指对主轴部件的温度、电压等直观数据进行实时监测,通过历史数据统计设置阈值,一旦发现数据异常进行实时报警,保障设备与人员的安全。
(2)异常事件监测
首先阐述为什么要进行异常事件的监测。由于本发明着眼于亚健康状态的预测性维护,因此要从多个角度挖掘主轴的亚健康信息。从主轴当前的状态信息中进行挖掘,包括实时传感数据(电流、电压、振动加速度等)、主轴精度等都可以反映亚健康信息。从亚健康源头上进行分析,异常事件是促成主轴亚健康的一大起因。因此,本发明考虑了异常事件对亚健康的影响,因此要对异常事件数据进行监测与记录。
具体的异常事件可以分为持续性异常事件和突发性异常事件两类。其中持续性异常事件包括主轴重载、超速、主轴转速不稳,突发性异常事件包括主轴碰撞、闷车、异常噪声、主轴停转。获知主轴异常事件需要对数据采集得到的多源原始数据进行数据过滤、特征识别、统计分析等操作,对于部分事件的识别难免会依赖一些专家经验。该过程除识别某段时间内是否发生了相关异常事件,还应获知突发性异常的频次、持续性异常的时长。
步骤S2主要是对主轴健康状态进行评估。主轴健康评估是主轴预测性维护的关键步骤,它通过对主轴多源数据进行分析与评估,定位主轴当前所处的健康状态与健康等级,是后续趋势预测与决策制定的前提与基础。由于主轴亚健康状态的定义十分模糊,不像故障状态可以直接通过肉眼察看进行判定。以往多数研究中也没有清晰的给出主轴亚健康的定义与鉴别方式。
本发明将健康评估分为综合评价和智能检测两个部分。综合评价提供了主轴亚健康定义与鉴别方法,它基于专家经验和多源数据支持,对每种数据源构建对应的评价惩罚表。该惩罚表分为异常值惩罚表和异常事件惩罚表两种类型,其中异常事件惩罚表又分为持续性异常事件惩罚表和突发性异常事件惩罚表两类。依据异常值出现的频次和超出正常值比重、持续性异常事件所占运行时长百分比、突发性异常事件的频次设置不同的惩罚值(范围为0-1,值越高代表设备状态越差)。将上述惩罚值作为健康指标,由此能得到不同异常值和异常事件的多源健康指标(其范围都是0-1),当某种数据源未参与评价时,则设置该数据源的健康指标为其他已知健康指标的平均值。不同健康指标类型在综合评价体系中有对应权值(权值之和为1),将这些多源健康指标进行加权求和得到综合评价值,因此该综合评价值仍在0-1范围内。,根据综合评价值所处区间范围确定主轴的健康等级(0-0.1正常、0.1-0.3亚健康I级、03-0.6亚健康II级、0.7-0.9亚健康III级、0.9以上为更严重状态),并获得对应案例数据;智能检测依赖于综合评价提供的案例数据支持来训练智能检测模型,并将模型应用到实时的监测任务中去,实现数控机床主轴的实时智能检测。下面分别对综合评价与智能检测两个部分进行详细介绍。
(1)综合评价
综合评价需求主轴全生命周期数据,其过程如下:①首先通过指令代码截取加工状态下的多源时序数据实现数据过滤。②对多源数据进行异常分析,得到异常值和异常事件的分析结果。每种数据类型构建专门的评价惩罚表,当数据值处在不同区间范围内,惩罚值有所不同。每种数据类型进行评价惩罚的逻辑和规则都有所不同,具体惩罚值依据专家经验设定,因此该类表的构建是一个长期经验积累的过程。③依据每种数据类型对应的惩罚表,计算不同数据类型下的惩罚值,构建多源健康指标。④基于专家经验,将③中多源健康指标赋予不同权重(能更好反映主轴性能衰退的指标赋予高权重)。而后进行加权求和,得到综合评价值。⑤预先定义主轴不同健康等级对应的综合评价值的区间范围,从而通过综合评价值即可判定主轴当前的健康等级。
完成上述综合评价过程后,即获得了已知健康等级的主轴案例数据。当案例数据积累充足后,可以训练出基于实时传感数据驱动的智能检测模型。从而可以采用智能检测的模式来进行主轴健康评估,无需再利用全生命周期的数据进行综合评价。
(2)智能检测
与综合评价不同,智能检测无需主轴全生命周期的数据支持,执行过程更加智能便捷,能应用在多数的主轴健康评估任务中。由于主轴型号不同、工况不同都会影响智能检测的结果。因此,要对不同型号的主轴对象在不同工况条件下分别构建对应的智能检测模型,并通过指令代码选取对应工况下的案例数据分别进行模型训练。模型训练完成后,即可对数控机床主轴进行实时的智能检测。进一步地,将智能检测相关内容划分为模型构建、实时智能检测两个部分进行阐述。
模型构建是基于综合评价提供的案例数据支持,构建相应的智能检测模型。它可以分为模型选取、模型参数优化、模型训练和迁移学习四个部分。①选取深度学习网络构建模型,在训练数据充足的前提下,较之常规的浅层学习能更好地挖掘输入数据的隐含特征。②模型参数优化:可以利用遗传算法、粒子群算法、灰狼算法等智能优化方法进行参数寻优,以选取最佳的网络层数、学习率、隐藏层神经元个数等重要参数。③模型训练:针对不同型号主轴训练多个不同工况下的智能检测模型。对某工况下的模型而言,通过指令代码明确工况,选择对应的电流、电压、能耗、温度等原始多源信号分别进行特征提取,获取固定数目的时域、频域、时频域的多源特征,将多源特征组合后作为模型的输入。以健康等级标签为训练依据,通过反向传播(Back Propagation,BP)算法进行模型训练。同理,训练其他工况下或其他型号的主轴智能检测模型。④迁移学习:考虑到某些型号或某些工况下(即目标域)的主轴状态数据不足,无法完成对应模型的训练。借鉴迁移学习的思想,从数据充足的主轴工况或型号条件下(即源域)引用案例数据来预训练深度网络模型,再利用少量目标域中的案例数据进行网络参数的微调。从而解决了部分工况或型号下,训练数据不足的问题。
实时智能检测是指在数控机床实时运行过程中,对主轴的健康状态进行实时的健康评估,步骤如下:①采集主轴当前某工况下的主轴电流、电压、负载、转速、温度、能耗、振动加速度、指令代码。②将上述多源数据进行时域、频域、时频域维度上的特征提取。③通过数控***内部获取的指令代码明确当前所处工况,选择对应工况的智能检测模型。④将多源特征输入到该模型中,通过逐层特征提取,在输出层得到代表主轴健康等级的类别标签。
进一步地,步骤S3主要进行退化趋势预测,进行趋势预测之前,需要通过试验手段,获知试验主轴全生命周期里各个健康状态和健康等级的持续运行时长,即为主轴退化模板。但通常试验很难将主轴退化至严重故障和损坏状态,且预测性维护主要关注亚健康阶段,因此退化模板制定可不包含亚健康之后的健康状态。
本发明一个实施例中,通过试验获得退化模板的流程:①选择出厂且健康状态良好的机床主轴,在数控机床上进行试验,期间可从事正常的加工任务并持续监测如步骤S1中所述的多源数据。②每隔一段时间,进行一次如步骤S2所述的综合评价过程,得到主轴当前健康等级,记录对应运行时长。③当主轴性能经综合评价后显示有初步故障,即可停止试验。④整理上述结果,形成退化模板。在上述过程中,考虑到主轴在数控机床正常加工状态下退化速度较慢,可将机床工况长期置于高速重载情形,从而加速主轴性能衰退趋势,更快得到退化模板。进一步地,退化模板可以依照不同主轴型号制作多个,使用时选择对应型号的退化模板。
根据健康评估的结果明确主轴当前所处的健康状态与级别后,可以将该主轴历史运行时长与退化模板中衰退至对应健康等级耗费时长进行对比,根据二者比值和退化模板各健康等级间的衰退时长,预测主轴衰退至后续健康等级的时间范围,即为主轴退化趋势预测的结论。现场可基于成本、安全性等多种考虑自行选择合适的时间节点进行预测性维护。
步骤S4主要是维护决策制定,根据上述分析结果,对数控机床主轴执行适宜的维护决策或制定合理的维护计划,从而实现预测性维护,以确保在数控机床主轴运行可靠的前提下减少停机时间、降低维护成本、提高经济效益。
总体而言,通过本发明所构思的以上技术方案兼顾了智能性与实用性,基于生产现场多源数据驱动,对主轴健康状态,特别是亚健康状态的评估、预测、维护提出了行之有效的技术方案。通过本发明所述方法,能在数控机床实际加工条件下,建立了一个长期有效的智能运维机制,实现数控机床主轴***的预测性维护,从而提高企业的生产效率和经济效益。
本发明的一个较佳实施例中,基于多源数据驱动的数控机床主轴预测性维护方法还包括以下步骤:
步骤S1:多源数据采集
对某主轴进行状态监测,在现场条件下,能持续监测到该主轴温度、电压、能耗和指令代码数据。参考图3所示为被监测时长t内,该主轴的多源数据矩阵示例,T、U、P、G分别代表主轴温度、电压、实时功率和指令代码。
步骤S2:异常分析与健康评估
(1)异常分析
①异常值监测
参考图4所示为主轴表面温度的变化趋势,在t1时刻,温度值变化有明显起伏,但未超出预先设置的阈值,因此监测无异常;在t2时刻,温度值变化超出阈值,则触发报警,促使管理人员与现场人员及时处理,避免造成更大损失。
②异常事件监测与分析
以图3所示多源数据矩阵为素材进行异常事件的监测与记录。首先需要对该数据矩阵进行数据过滤,主要依据指令代码所代表的工况信息过滤掉停工停产时间内产生的无用数据,而后进行异常事件的识别。对于持续性事件,通过统计分析的方法,监测一定运行时长内(10h),有多少时长处于该持续性事件下(如持续重载、高速),统计得到持续性事件的百分比矩阵δ,代表不同持续性事件所占的比例。而对于突发性时间,如碰撞闷车等,则需要结合相关专家经验,设定相关阈值或利用相关特征进行识别,得到该段时长内发生突发性事件的频次矩阵上述两个矩阵即为异常事件监测与记录的结果,为后续步骤提供异常事件数据支持。
(2)健康评估
1)综合评价
参考图2所示为一个数控机床主轴的全生命周期过程,分为正常、亚健康、故障(可修复)、损坏四个阶段。
可将亚健康状态划分为I级、II级、III级三个级别,严重程度依次增加。因此,该主轴健康状态最终被划分为:正常、亚健康I级、亚健康II级、亚健康III级、故障、损坏六种健康等级。但由于预测性维护重点关注主轴的亚健康状态,旨在发现主轴亚健康的变化趋势并实施相应的维护决策,因此后续的预测性维护步骤主要针对正常和亚健康(I级、II级、III级)。
对某台数控机床的主轴进行综合评价,通过异常分析可用于综合评价的数据有:温度T、电压U、能耗(实时功率P)、主轴异常事件(碰撞过载δ)、指令代码G。其中,T、U、P都是全生命周期的时序数据,碰撞/>为突发性事件的频次数据,过载δ为持续性事件所占总运行时长的百分比。选取上述数据构建HI,过程如下:
①通过指令代码G截取正常加工状态下的多源时序数据,重新进行拼接,得到数据集合[T*,U*,P*,G*](G*为对应时间区间的指令代码以标识工况),并与异常事件数据组合得到新的多源数据集合
②对不同数据类型进行统计,对于温度T*,电压U*,能耗P*,与对应工况下变量阈值进行对比,分别计算超出阈值的次数NT、NU、NP和每次的超出正常值比重ΔT、ΔU、ΔP。异常事件数据与δ此时无需处理。
③将上述统计结果与基于专家经验构建的惩罚表进行对比。惩罚表中明确规定不同数据类型在固定运行时长内(如10h),所处范围不同其惩罚值也不同。惩罚值越高则代表设备状态越差,具体数值设定依据专家经验,下表所示为电压异常值惩罚表:
持续性异常事件过载惩罚表如下:
δ | [0,0.1] | (0.1,0.3] | (0.3,0.6] | (0.6,+∞) |
惩罚值 | 0 | 0.3 | 0.7 | 1 |
突发性异常事件碰撞惩罚表如下:
据此,分别计算不同数据类型的惩罚值作为健康指标,即得到多源健康指标HIT、HIU、HIP、HIδ、
④计算综合评价结果:
不同健康指标在综合评价体系中的比重不同,因此设置有不同的权值。各健康指标的权值表形式如下:
将健康指标乘以对应权值,并累加多源健康指标得到 其中,缺失数据源的健康指标HI未设置为已知健康指标的平均值。得到综合评价值HI总后,根据其值范围,即可得到对应的健康等级β。(0-0.1正常、0.1-0.3亚健康I级、03-0.6亚健康II级、0.7-0.9亚健康III级、0.9以上为更严重状态)
2)智能检测
本发明选取深度信念网络(Deep Belief Networks,DBN)构建智能检测模型,具体的网络形式可参照图5。DBN具有形式灵活、易于拓展、便于迁移学习等优势。采用经典的粒子群算法对DBN网络层数、学习率、隐藏层神经元个数分别进行优化,选择最佳的网络参数组合,具体优化过程不再赘述。将综合评价过程得到的案例数据特征提取,获取均值、方差、峭度、频率幅值等特征拼接组合后作为模型的训练输入α,结合对应标签β训练智能检测模型,采用BP算法优化权重偏置等网络参数,设置迭代次数或终止条件。若该主轴型号或该工况下训练数据不足,无法完成对应模型的训练,进行迁移学习,借鉴其他工况或型号条件的案例数据进行预训练。
当拥有一个训练完成的模型后,即可对该主轴的状态进行实时智能检测。将实时多源信号进行特征提取得到α′,输入到DBN模型中,在输出层得到预测主轴健康等级的标签β′,如(1,0,0,0)代表健康,(0,1,0,0)代表亚健康I级等等。由于主轴故障和损坏两种状态进行预测性维护的意义不大,因此不包含在智能检测的范围内。
步骤S3:主轴退化趋势预测
利用退化模板进行主轴未来趋势预测,可参考图6所示虚线下方为退化模板,虚线上方为执行预测操作的某主轴的全生命周期示意。假定在t时刻对该主轴进行退化趋势预测,通过步骤S2的健康评估过程,可以获知该主轴处于亚健康I级。可以预测该主轴进一步退化至亚健康II级的运行时长范围为退化至亚健康III级为 退化至故障状态时长范围为其中t1—t5为退化模板上对应各个健康状态的时间点。
步骤S4:主轴维护决策制定
主轴维护决策制定是主轴实现预测性维护的最后步骤。基于步骤S2和步骤S3的分析结果,依据健康评估结果制定合理的维护决策进行主轴性能保养,依据主轴趋势预测结果安排合理的维护计划,从而实现数控机床主轴的预测性维护。
本发明还提供了一种基于多源数据驱动的数控机床主轴预测性维护***,如图7所示,该***包括:
多源数据采集模块,用于采集数控机床主轴的多源数据,包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码。
主轴健康评估模块,用于通过主轴数控***内部的指令代码明确当前工况,并截取当前工况下的多源数据,根据截取的多源数据进行主轴异常分析,统计主轴异常值和主轴异常事件;根据预先构建的主轴健康指标对截取的多源数据及统计结果进行加权求和,得到综合评价值;根据综合评价值以及预先划分的主轴健康状态等级,判断主轴的健康状态等级,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,其中亚健康的状态细分为不同的亚健康等级;
主轴退化趋势预测模块,用于根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围,所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长;
维护决策制定模块,用于根据预测结果制定主轴维护决策,安排维护计划。
本发明还提供了一种计算机存储器,其内存储有可被处理器执行的计算机程序,该计算机程序执行上述任一实施例基于多源数据驱动的数控机床主轴预测性维护方法。
综上,本发明基于电流、电压、振动、异常事件等多源数据驱动,聚焦主轴亚健康状态的评估与预测,辅助工作人员制定合理的维护决策与维护计划。本发明兼顾实际应用场景下预测性维护的智能型与实用性,能有效提升数控机床主轴的使用寿命。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,包含以下步骤:
S1、采集数控机床主轴的多源数据,所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码;
S2、通过主轴数控***内部的指令代码明确当前工况,并截取当前工况下的多源数据,根据截取的多源数据进行主轴异常分析,统计主轴异常值和主轴异常事件;将异常分析的结果分别对比相应的评价惩罚表,计算对应的惩罚值作为一项健康指标,其中每种数据源构建对应的评价惩罚表,该评价惩罚表分为异常值惩罚表和异常事件惩罚表两种类型;将多个健康指标加权求和得到综合评价值;根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,亚健康的状态细分为不同的亚健康等级;
S3、根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围,所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长;
S4、根据预测结果制定主轴维护决策,安排维护计划。
2.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,步骤S2还包括步骤:
提取当前工况下的主轴实时传感数据的时域、频域、时频域维度上的特征,将提取的特征作为预先构建的对应工况的主轴智能检测神经网络模型的输入,通过逐层特征提取,在输出层得到代表主轴健康状态等级的类别标签。
3.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,所述异常事件分为持续性异常事件和突发性异常事件,其中持续性异常事件包括主轴重载、超速、主轴转速不稳,突发性异常事件包括主轴碰撞、闷车、异常噪声、主轴停转。
4.根据权利要求2所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,实时传感数据包括电流、电压、负载、转速、温度、能耗、振动加速度。
5.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,所述评价惩罚表包括异常值惩罚表和异常事件惩罚表,其中异常事件惩罚表又分为持续性异常事件惩罚表和突发性异常事件惩罚表两类,依据异常值出现的频次和超出正常值比重、持续性异常事件所占运行时长百分比、突发性异常事件的频次设置不同的惩罚值。
6.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,步骤S2中综合评价值的计算基于专家经验,将健康指标中越能反应主轴性能衰退的指标赋予高权重,反之赋予低权重,之后累加健康指标与对应权重的乘积,得到综合评价值。
7.根据权利要求2所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,构建主轴智能检测神经网络模型时,基于深度学习并针对不同型号主轴进行多工况训练,利用智能优化算法进行模型参数优化,利用迁移学习补充训练数据。
8.根据权利要求1所述的基于多源数据驱动的数控机床主轴预测性维护方法,其特征在于,所述主轴性能退化模板根据不同主轴型号制作对应退化模板,包含主轴多个健康等级的持续时长,不包含亚健康之后的健康状态。
9.一种基于多源数据驱动的数控机床主轴预测性维护***,其特征在于,包括:
多源数据采集模块,用于采集数控机床主轴的多源数据,所述多源数据包括主轴电流、电压、负载、转速、温度、能耗、主轴精度、振动加速度、指令代码;
主轴健康评估模块,用于通过主轴数控***内部的指令代码明确当前工况,并截取当前工况下的多源数据,根据截取的多源数据进行主轴异常分析,统计主轴异常值和主轴异常事件;将异常分析的结果分别对比相应的评价惩罚表,计算对应的惩罚值作为一项健康指标,其中每种数据源构建对应的评价惩罚表,该评价惩罚表分为异常值惩罚表和异常事件惩罚表两种类型;将多个健康指标加权求和得到综合评价值;根据综合评价值以及预先划分的主轴健康状态等级判断主轴的健康状态,其中主轴健康状态等级包括正常、亚健康、可修复的故障、报废,亚健康的状态细分为不同的亚健康等级;
主轴退化趋势预测模块,用于根据主轴健康状态等级,对比预先构建的主轴性能退化模板,预测主轴衰退至后续健康等级的时间范围,所述主轴性能退化模板为根据不同主轴型号制作的、包含主轴多个健康等级的持续时长;
维护决策制定模块,用于根据预测结果制定主轴维护决策,安排维护计划。
10.一种计算机存储器,其特征在于,其内存储有可被处理器执行的计算机程序,该计算机程序执行权利要求1-9中任一项所述的基于多源数据驱动的数控机床主轴预测性维护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387254.9A CN111507490B (zh) | 2020-05-09 | 2020-05-09 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387254.9A CN111507490B (zh) | 2020-05-09 | 2020-05-09 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507490A CN111507490A (zh) | 2020-08-07 |
CN111507490B true CN111507490B (zh) | 2024-02-20 |
Family
ID=71869913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387254.9A Active CN111507490B (zh) | 2020-05-09 | 2020-05-09 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507490B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984513A (zh) * | 2020-08-25 | 2020-11-24 | 浙江天垂科技有限公司 | 一种预测性维护方法、装置、设备以及存储介质 |
CN112479075B (zh) * | 2020-11-26 | 2022-05-03 | 安徽盛世开元装备科技有限公司 | 一种用于钢结构网架安装的顶升装置及其使用方法 |
CN112486096A (zh) * | 2020-12-09 | 2021-03-12 | 中国兵器装备集团自动化研究所 | 一种机床运行状态的监控方法 |
CN112580153B (zh) * | 2020-12-29 | 2022-10-11 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理***及方法 |
CN113190405B (zh) * | 2021-04-29 | 2022-08-19 | 山东英信计算机技术有限公司 | 一种节点健康检测方法、装置及电子设备和存储介质 |
CN113627304A (zh) * | 2021-08-03 | 2021-11-09 | 深圳市今日标准精密机器有限公司 | 一种基于人工智能的机床主轴健康监控方法和*** |
CN114298334A (zh) * | 2021-11-29 | 2022-04-08 | 盛景智能科技(嘉兴)有限公司 | 机床主轴预测性维护***及方法 |
CN114102262B (zh) * | 2021-12-27 | 2023-03-24 | 爱派尔(常州)数控科技有限公司 | 一种机床主轴安全检测方法、***及机床 |
CN115685879B (zh) * | 2023-01-05 | 2023-06-02 | 广东美的制冷设备有限公司 | 机床状态调整方法、装置、设备、机床、介质 |
CN117170312B (zh) * | 2023-11-03 | 2024-04-12 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN104992270A (zh) * | 2015-06-19 | 2015-10-21 | 国家电网公司 | 输变电设备状态检修辅助决策***及方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺***的健康管理决策方法 |
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN106156913A (zh) * | 2015-04-02 | 2016-11-23 | 中国商用飞机有限责任公司 | 用于飞机部附件的健康管理方法 |
CN107169617A (zh) * | 2016-03-07 | 2017-09-15 | 中国电力科学研究院 | 一种配电设备状态评价*** |
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台*** |
CN108732444A (zh) * | 2018-05-29 | 2018-11-02 | 国网浙江省电力有限公司 | 智能变电站保护设备运行状态评估装置和检修决策方法 |
CN108985649A (zh) * | 2018-08-01 | 2018-12-11 | 国电联合动力技术有限公司 | 基于风电设备异常分析数据的时序模糊层次分析评估方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理***和方法 |
CN109752646A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 车载直流接触器评估与预警方法、装置、设备 |
CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用***、方法及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941537B (zh) * | 2017-10-25 | 2019-08-27 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
-
2020
- 2020-05-09 CN CN202010387254.9A patent/CN111507490B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156913A (zh) * | 2015-04-02 | 2016-11-23 | 中国商用飞机有限责任公司 | 用于飞机部附件的健康管理方法 |
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN104992270A (zh) * | 2015-06-19 | 2015-10-21 | 国家电网公司 | 输变电设备状态检修辅助决策***及方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺***的健康管理决策方法 |
CN107169617A (zh) * | 2016-03-07 | 2017-09-15 | 中国电力科学研究院 | 一种配电设备状态评价*** |
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台*** |
CN109752646A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 车载直流接触器评估与预警方法、装置、设备 |
CN108732444A (zh) * | 2018-05-29 | 2018-11-02 | 国网浙江省电力有限公司 | 智能变电站保护设备运行状态评估装置和检修决策方法 |
CN108985649A (zh) * | 2018-08-01 | 2018-12-11 | 国电联合动力技术有限公司 | 基于风电设备异常分析数据的时序模糊层次分析评估方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理***和方法 |
CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用***、方法及存储介质 |
Non-Patent Citations (7)
Title |
---|
张彦如 ; 耿梦晓 ; .基于健康指数的设备运行状态评价与预测.合肥工业大学学报(自然科学版).2015,(第10期), * |
彭炎亮 ; 李汪根 ; 刘娇 ; 陈骞 ; .基于动态权重和模糊综合评判法的健康评估模型.计算机***应用.2017,(第01期), * |
王志学 ; 刘继承 ; 王广辉 ; .复合信誉模型在防P2P文件污染中的应用研究.电脑知识与技术.2009,(第34期), * |
谢加荣 ; 蔡卫江 ; 邢红超 ; 韩彩虹 ; 姚尧 ; 荣红 ; 于红岩 ; .抽水蓄能机组调速***健康状态评估.水电能源科学.2020,(第04期), * |
赵丽琴 ; 刘昶 ; 邓丞君 ; .样本不均衡条件下设备健康度评估方法.计算机测量与控制.2020,(第09期), * |
陈卫 ; 汤超君 ; .某型无人机***健康状态评估研究.舰船电子工程.2014,(第01期), * |
陈嘉杨 ; 张洪彦 ; 王敏 ; .AHP-熵权法在综合传动装置健康状态综合评估中的应用.车辆与动力技术.2017,(第01期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111507490A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507490B (zh) | 基于多源数据驱动的数控机床主轴预测性维护方法及*** | |
Merkt | On the use of predictive models for improving the quality of industrial maintenance: An analytical literature review of maintenance strategies | |
US6871160B2 (en) | Intelligent condition-based engine/equipment management system | |
CN101950382B (zh) | 一种带有风险控制的液压设备最优维修计算方法 | |
US20040049715A1 (en) | Computer networked intelligent condition-based engine/equipment management system | |
CN112613646A (zh) | 一种基于多维数据融合的设备状态预测方法及*** | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及*** | |
Colone et al. | Predictive repair scheduling of wind turbine drive‐train components based on machine learning | |
Welte et al. | Models for lifetime estimation: an overview with focus on applications to wind turbines | |
Guibing et al. | An intelligent health diagnosis and maintenance decision-making approach in smart manufacturing | |
Rastogi et al. | Predictive maintenance for sme in industry 4.0 | |
CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及*** | |
Asmai et al. | A framework of an intelligent maintenance prognosis tool | |
CN115526375A (zh) | 一种航天装备预测性维护*** | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与*** | |
Yu et al. | Remaining useful life prediction of planet bearings based on conditional deep recurrent generative adversarial network and action discovery | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
CN115358533A (zh) | 一种基于大数据的预测性维护管理*** | |
Yıldız et al. | Integrating preventive and predictive maintenance policies with system dynamics: A decision table approach | |
CN117688307A (zh) | 一种用于燃煤机组状态评估的智能监盘方法及*** | |
CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
Gandhi et al. | Machine maintenance decision support system: a systematic literature review | |
Javadnejad et al. | Optimization model for maintenance planning of loading equipment in open pit mines | |
Qu et al. | Degradation principle of machines influenced by maintenance | |
JPH10122917A (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |